基於機理特徵學習的化工過程異常工況智慧型識別

內容簡介

《基於機理特徵學習的化工過程異常工況智慧型識別》通過動態模擬重構深度學習的標籤樣本驗祝主，採用定量相關係數和複雜網路相結合的機理特徵提取方法，實現對化工異常工況的半監督學習。同時融合基於動態機理貝葉斯網路，採用異常參數估計的反演機制，闡明動態模擬與半監督學習協同的化工異常診斷策略。本書有助於豐富和發展基於動態模擬/半監督學習的化工過程異常識別和診斷理論和方法，為實現化工過程安全穩定運行提供理論依據。

全書共分10章。內容涵蓋了“數據處理→數據檢測→異常識別→異常診斷→後果分析”的化工安全分析各個階段，構成了機理分析與深度學習協同作用的化工異常工況分析思路。

《基於機理特徵學習的化工過程異常工況智慧型識別》可作為化工、安全及相關學科的研究生學習化工安全分析的教材及教師參考書，也可供相關學科的工程技術人員參考使用。

作者簡介

田文德，青島科技大學化工學院，副院長，教授辨斷照才，2001年於北京化工大學獲取化學工程專業工學博士學位，2003年由新加坡國立大學以博士後研究員身份完成項目研究後，進入青島科技大學化工學院工作。主講本科課程“化工原理”、“過程工程計算機套用基礎”和研究生課程“化工過程綜合”。主要從事化工系統工程方向的研究工作，內容涉及化工過程動態仿真、報警管理、故障診斷，已完成教育部留學回國人員科研啟動基金項目“化工安全生產中的智慧型故障診戰企院催斷系統研究”、山東省優*秀中青年科學家科研獎勵基金項目“基於動態模擬的化工過程故障診斷技術研究（No.2006BS05005）”、山東省自舟愚贈然科學基金項目“基於動態故障軟儀表的化工過程二級混合故障診斷系統（No. ZR2009BM033）”，在研山東省自然科學基金項目“基於動態模擬反問題求解的精餾多故障肯項榆診斷研究（No. ZR2013BL008）”和國家自然科學基金項目“基於非線性動態模型的精餾過程安全智慧型預測方法與預警策懂符危略研究（No. 21576143）”，期間還完成企業委託項目9項，發表論文40餘篇，編寫專著1部、教材4部。目前為山東化學化工學會的化工安全專業委員會委員、國家自然科學基金項目的評審專家。

圖書目錄

第1章緒論1

1.1化工過程安全1

1.1.1化工生產特點1

1.1.2化工過程異常工況1

1.1.3化工安全生產的意義3

1.2故障識別與診斷3

1.2.1基於解析模型的方法4

1.2.2基於知識的方法6

1.2.3基於數據驅動的方法7

1.3機器學習9

1.3.1淺層學習9

1.3.2深度學習11

1.3.3深度學習算法分類12

1.3.4深度學習在化工故障診斷中的套用15

1.4特徵工程15

1.4.1特徵提取與特徵選擇15

1.4.2特徵自適應16

1.5研究思路17

本章小結20

參考文獻20

第2章數據預處理28

2.1基於GAN的缺失數據重建28

2.1.1生成式對抗網路GAN28

2.1.2卷積神經網路29

2.1.3深度自編碼器30

2.1.4GAN模型搭建32

2.1.5GAN缺失數據重建結果32

2.2基於灰色時序模型的數據預測37

2.2.1灰色模型原理37

2.2.2時間序列模型39

2.2.3組合模型40

2.2.4檢驗方法41

2.2.5實例套用42

本章小結47

參考文獻47

第3章基於維度壓縮和聚類分析的化工報警閾值最佳化49

3.1總體研究思路49

3.2基於PCA權重和Johnson轉換的多變數報警閾值最佳化50

3.2.1研究思路50

3.2.2PCA求權重51

3.2.3Johnson轉換52

3.2.4平行坐標53

3.3基於報警聚類和ACO的多變數報警閾值最佳化54

3.3.1研究思路54

3.3.2報警系統效率指標55

3.3.3報警聚類57

3.3.4熵權法求權重57

3.3.5閾值最佳化58

3.4套用實例研究60

3.4.1常減壓工業實例介紹60

3.4.2基於PCA權重和Johnson轉換的多變數報警閾值最佳化方法套用62

3.4.3基於報警聚類和ACO的多變數報警閾值最佳化方法套用71

3.4.4常減壓操作質量分析75

本章小結76

參考文獻76

第4章基於特徵工程的化工過程異常檢測77

4.1基於相關性係數Q分析的化工過程異常檢測77

4.1.1研究思路77

4.1.2基於相關性係數Q分析的化工過程異常檢測78

4.1.3實例分析83

4.2基於特徵工旬體程的化工過程異常檢測與識別88

4.2.1研究思路88

4.2.2基於特徵工程的化工過程異常檢測與識別方法89

4.2.3實例分析94

本章小結102

參考文獻103

第5章基於特徵自適應與動態主動深度分歧的化工過程異常識別104

5.1總體研究思路104

5.2特徵自適應106

5.2.1研究思路106

5.2.2特徵提取106

5.2.3自適應108

5.3動態主動深度分歧的異常識別模型109

5.3.1研究思路109

5.3.2CNN基本模組110

5.3.3LSTM基本模組113

5.3.4動態主動學習114

5.4案例套用研究115

5.4.1TE過程說明116

5.4.2特徵自適應118

5.4.3動態主動深度分歧的異常識別模型123

本章小結131

參考文獻132

第6章基於LSTM的化工異常識別134

6.1LSTM模型134

6.1.1模型結構134

6.1.2算法原理137

6.1.3超參數設定140

6.2LSTM訓練策略141

6.2.15-折交叉驗證141

6.2.2過擬合141

6.3LSTM訓練過程142

6.4案例套用與分析142

6.4.1數據集描述142

6.4.2異常識別結果144

本章小結147

參考文獻147

第7章基於圖論的化工異常識別148

7.1研究思路148

7.2特徵選擇149

7.2.1變數相關性計算149

7.2.2基於圖論的特徵選擇150

7.3深度學習模型151

7.3.1序列問題學習過程151

7.3.2卷積神經網路學習過程153

7.4案例套用與分析155

7.4.1動態數據集與預處理155

7.4.2圖論特徵選擇156

7.4.3識別模型搭建157

7.4.4識別結果對比161

本章小結165

參考文獻166

第8章基於DBN的化工過程異常識別167

8.1基於VAE-DBN的異常工況識別167

8.1.1基於VAE-DBN的異常識別模型168

8.1.2案例套用研究172

8.2基於SRCC-DBN的異常工況識別174

8.2.1研究思路174

8.2.2Spearman秩相關係數175

8.2.3深度置信網路176

8.2.4案例套用研究179

本章小結184

參考文獻184

第9章基於機理分析的化工過程故障診斷186

9.1基於機理相關分析貝葉斯網路的過程故障診斷186

9.1.1研究思路186

9.1.2機理相關分析貝葉斯網路的故障診斷方法187

9.1.3案例套用分析191

9.2基於動態機理模型的異常反演197

9.2.1反演模型198

9.2.2案例套用與分析199

本章小結208

參考文獻208

第10章化工過程異常的動態定量後果分析210

10.1化工過程異常的動態定量風險評估210

10.1.1研究思路210

10.1.2定量風險計算211

10.1.3案例套用與分析213

10.2基於計算流體力學的後果分析223

10.2.1計算流體力學簡介224

10.2.2爆燃氣體的擴散225

10.2.3基於MATLAB的氣體擴散模擬227

10.2.4實例套用228

本章小結235

參考文獻235

基於機理特徵學習的化工過程異常工況智慧型識別

基本介紹

內容簡介

作者簡介

圖書目錄

熱門詞條